在开展新能源出力预测阶段,由于新能源自身具有波动性和间歇性,导致预测结果的可靠性难以得到保障。为此,提出基于XGBoost和QRLSTM的新能源出力高精度预测方法。采用极限梯度提升算法(EXtreme Gradient Boosting,XGBoost)建立新能源出...在开展新能源出力预测阶段,由于新能源自身具有波动性和间歇性,导致预测结果的可靠性难以得到保障。为此,提出基于XGBoost和QRLSTM的新能源出力高精度预测方法。采用极限梯度提升算法(EXtreme Gradient Boosting,XGBoost)建立新能源出力数据的目标函数,利用二阶泰勒展开式对目标函数进行近似处理。结合分位数回归构(Quantile Regression,QR)改进长短期记忆(Long Short Term Memory,LSTM)递归神经网络,构建QRLSTM模型将近似处理后的数据输入至该模型中,通过逻辑门完成新能源出力预测。在测试结果中,实际方法在不同环境条件下对于新能源机组出力情况的预测结果均与实际情况保持较高的拟合度,具有较高的精准度。展开更多
TDOA(Time Difference of Arrival)测距方式是UWB(Ultra Wide Band)室内定位的常用方法,针对其不可避免的随机误差以及目标改变运动状态定位不准确的问题,文中提出了一种Chan-Taylor-IMMKF(Interacting Multiple Model Kalman Filter)...TDOA(Time Difference of Arrival)测距方式是UWB(Ultra Wide Band)室内定位的常用方法,针对其不可避免的随机误差以及目标改变运动状态定位不准确的问题,文中提出了一种Chan-Taylor-IMMKF(Interacting Multiple Model Kalman Filter)定位算法。该算法由Chan-Taylor加权算法与加入自适应算法IMM卡尔曼滤波算法组成,通过Chan-Taylor加权算法初次取得目标估计坐标,将该坐标值作为自适应算法IMM的卡尔曼滤波器的测量值,对目标坐标进行多次滤波处理,最终加权得到目标的最终估计坐标。实验将该算法与未滤波的Chan-Taylor加权算法、使用传统的卡尔曼滤波算法进行对比,结果显示该算法有效减小了系统的随机误差,并克服了传统卡尔曼滤波器在目标忽然改变运动状态时不能及时跟踪从而产生较大误差的问题,将误差标准差均值控制在15 cm之内。展开更多
文摘在开展新能源出力预测阶段,由于新能源自身具有波动性和间歇性,导致预测结果的可靠性难以得到保障。为此,提出基于XGBoost和QRLSTM的新能源出力高精度预测方法。采用极限梯度提升算法(EXtreme Gradient Boosting,XGBoost)建立新能源出力数据的目标函数,利用二阶泰勒展开式对目标函数进行近似处理。结合分位数回归构(Quantile Regression,QR)改进长短期记忆(Long Short Term Memory,LSTM)递归神经网络,构建QRLSTM模型将近似处理后的数据输入至该模型中,通过逻辑门完成新能源出力预测。在测试结果中,实际方法在不同环境条件下对于新能源机组出力情况的预测结果均与实际情况保持较高的拟合度,具有较高的精准度。
